[發(fā)明專利]基于核空間的分類聚集稀疏表示的人臉識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610065827.X
• 申請(qǐng)日: 2016-01-31
• 公開（公告）號(hào): CN105760821B
• 公開（公告）日: 2017-06-06
• 發(fā)明（設(shè)計(jì)）人: 劉寶弟;王立;韓麗莎;王延江
• 申請(qǐng)（專利權(quán)）人: 中國(guó)石油大學(xué)（華東）
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 青島聯(lián)信知識(shí)產(chǎn)權(quán)代理事務(wù)所37227
• 代理人: 徐艷艷,高洋

技術(shù)領(lǐng)域

本發(fā)明模式識(shí)別技術(shù)領(lǐng)域，具體地說，涉及一種基于核空間的分類聚集稀疏表示的人臉識(shí)別方法。

背景技術(shù)

隨著科技的發(fā)展，諸多領(lǐng)域均面臨著日益膨脹的大量數(shù)據(jù)，例如地震數(shù)據(jù)、地球物理數(shù)據(jù)、音頻數(shù)據(jù)、天文數(shù)據(jù)、工業(yè)控制數(shù)據(jù)、基因數(shù)據(jù)等等，如何對(duì)這些龐大的數(shù)據(jù)實(shí)現(xiàn)靈活、有效和自適應(yīng)的表達(dá)逐漸成為人們關(guān)注的問題之一。圖像處理、信息傳輸、計(jì)算機(jī)視覺等諸多領(lǐng)域一直在尋求信號(hào)與圖像的稀疏而簡(jiǎn)潔地表示方式，這種稀疏表示的好處就在于，非零系數(shù)揭示了信號(hào)與圖像的內(nèi)在結(jié)構(gòu)與本質(zhì)屬性，同時(shí)非零系數(shù)具有顯式的物理意義。

人臉識(shí)別作為計(jì)算機(jī)視覺和模式分類領(lǐng)域的重要技術(shù)，越來越受到人們的關(guān)注與重視。人臉識(shí)別是利用計(jì)算機(jī)對(duì)人臉信息進(jìn)行特征的提取并進(jìn)行分類識(shí)別的過程，通常包含兩個(gè)階段：一是特征提取，二是構(gòu)造分類器和標(biāo)簽預(yù)測(cè)。不同于指紋識(shí)別、步態(tài)識(shí)別、虹膜識(shí)別等一般的生物特征識(shí)別技術(shù)，人臉識(shí)別因其便捷性、友好性、高效性，已成為圖像處理、模式識(shí)別、機(jī)器視覺和心理人臉識(shí)別具有廣泛的應(yīng)用意義和巨大的應(yīng)用前景。目前，人臉識(shí)別技術(shù)主要應(yīng)用于以下幾個(gè)方面：刑偵破案、自動(dòng)化智能管理、機(jī)器人學(xué)習(xí)、智能化相機(jī)、網(wǎng)絡(luò)應(yīng)用等。

近些年，最近鄰子空間的方法受到了關(guān)注，通過比較一副測(cè)試圖像在每一類中的重建誤差，為其分配標(biāo)簽。在近鄰子空間的方法體系下，Huang等人(參見K.Huang and S.Aviyente.Sparse representation for signal classification.In NIPS,2006.)在一個(gè)隨機(jī)基上對(duì)一個(gè)信號(hào)進(jìn)行稀疏編碼，根據(jù)信號(hào)的編碼向量對(duì)其分類。Zhang等人提出了基于協(xié)同表示的人臉識(shí)別方法，該方法首先對(duì)一幅測(cè)試圖像在訓(xùn)練集上進(jìn)行協(xié)同表示，然后計(jì)算該幅圖像與每類訓(xùn)練集上協(xié)同表示的重構(gòu)誤差得到最終的判決結(jié)果，該方法實(shí)現(xiàn)起來比較簡(jiǎn)單，而且性能良好。Wright等人(參見J.Wright,A.Y.Yang,A.Ganesh,S.S.Sastry,and Y.Ma.Robust face recognition via sparse representation.IEEE PAMI,31(2):210–227,2009)將稀疏編碼用于魯棒人臉識(shí)別，首先將一副測(cè)試的人臉圖像在模板圖像上稀疏編碼，然后根據(jù)產(chǎn)生最小編碼誤差的類別決定分類結(jié)果。這種基于稀疏表達(dá)的分類器方法，即SRC，在人臉識(shí)別領(lǐng)域取得了極大成功，同時(shí)也促進(jìn)了基于模式分類的稀疏性研究。

不少研究學(xué)者探索了分類詞典學(xué)習(xí)的方法，并取得了矚目的成果。Yang等人(參見Yang,M.,Zhang,L.,Yang,J.,Zhang,D.,2010.Metaface learning for sparse representation based face recognition.In:Proceedings ofthe 17th ICIP.IEEE,pp.1601–1604.2)使用稀疏表示為每一類學(xué)習(xí)一個(gè)詞典，并將其運(yùn)用到人臉識(shí)別中。

此外，在核空間詞典學(xué)習(xí)領(lǐng)域，Gemert等人(參見van Gemert J,Veenman C,SmeuldersA,Geusebroek J.Visual word ambiguity.IEEE Transactions on Pattern Analysis and Machine Intelligence,32(7):1271-1283,2010.)提出了一種高斯RBF核的詞典，在詞典學(xué)習(xí)的過程中，首先將特征映射到高斯RBF核空間，然后在新的空間使用K-means算法。高斯RBF核的引入提升了圖像分類性能，這是因?yàn)楦咚筊BF核將距離近的點(diǎn)映射到新空間后距離變的更近，將距離遠(yuǎn)的點(diǎn)映射到新空間后距離變的更遠(yuǎn)，具有一定近鄰約束的性質(zhì)。Wu等人(參見Wu J,Rehg J M.Beyond the euclidean distance:Creating effective visual codebooks using the histogram intersection kernel[C]//Computer Vision,2009IEEE 12th International Conference on.IEEE,2009:630-637)提出了在直方圖交叉核空間詞典，由于圖像分類的特征本身就是一種直方圖，直方圖交叉核函數(shù)更適合度量直方圖間的距離，并且取得了不錯(cuò)的分類效果。這幾種方法都是基于K-means算法的擴(kuò)展，由于K-means算法自身的強(qiáng)約束性，分類性能受到一定的影響，很難有太大的進(jìn)展。